「不良品、見逃してませんか？」— 外観検査AIが製造現場を変える理由

株式会社羽石産業知能研究所（HIII）の佐藤です。

製造現場の方から、品質管理に関してこんな声をよく耳にします。

「ベテランが退職したら、あの目は誰にも引き継げない」

「ライン速度を上げたいのに、検査工程がボトルネックになって身動きが取れない」

「結局、熟練の検査員の感覚に頼っていて、基準が人によってバラバラになっている」

どれも「人間の目に頼っている」ことが根本にある課題です。そして、これを解決する手段として外観検査AIへの注目が急速に高まっています。

この記事では、外観検査AIについて「そもそも何ができるのか」「どんな効果が期待できるのか」「現場への導入で何が変わるのか」を、HIIIが実際に手がけたプロジェクトの事例も交えながら、なるべくわかりやすく解説します。

こんな方に読んでほしい記事です

• 製造現場の品質管理に課題を感じている方

• 外観検査の自動化を検討しているが、何から始めればいいか分からない方

• AIに興味はあるが、実際の現場でどう動くのかイメージが湧かない方

一言で言うと、カメラで撮った写真をAIが判定する仕組みです。

製品がラインを流れてくる → カメラが自動でシャッターを切る → AIが画像を分析して「良品」か「不良品」かを判定する → 不良品だけを自動で弾く

これが、外観検査AIの基本的な流れです。

「それって、ただの画像処理じゃないの？」と思う方もいるかもしれません。従来の画像処理システムとの大きな違いは、AIが学習によって判断するという点にあります。

従来のシステムは、「このピクセルがこの色ならNG」というルールを人間がプログラムしていました。製品の形が変わるたびに1からルールを書き直す必要があり、判定が難しい「グレーゾーン」の不良には対応しきれませんでした。経験豊富なエンジニアが時間をかけてルールを作っても、「この傷はセーフ？アウト？」という微妙な判断は、結局人間の目に頼ることになりがちです。

一方でAIは、大量の画像を見ることで「正常とはこういう状態だ」という感覚を自分で身につけます。人間のベテラン検査員が長年の経験から培う「目」を、AIが数時間〜数日で獲得するイメージです。

外観検査AIの中でも、製造現場で特に注目されているのが**良品学習（りょうひんがくしゅう）**という手法です。

一般的にAIに何かを覚えさせるときは「これが正解、これが不正解」という両方のデータが必要と思われがちです。しかし製造現場では、不良品の画像を集めること自体が難しいという現実があります。

不良率が0.1%の工場では、1,000個に1個しか不良品が出ません。AIに学習させるために不良品を何千枚も集めようとすると、それだけで何年もかかってしまいます。さらに困ったことに、不良の種類や発生パターンはラインや製品ロットによって変わるため、「起きうるすべての不良パターンを事前に収集する」こと自体が、そもそも現実的ではないのです。

そこで生まれた発想が「良品の画像だけで学習させる」というアプローチです。

仕組みはシンプルです。

1. 良品の画像を大量にAIに見せる（数百〜数千枚）

2. AIが「正常な状態」のパターンを覚える

3. 実際の検査では「覚えたパターンからズレているもの」を不良として検出する

ちょうど、新入社員の研修に似ています。「これが正しい製品の状態です」という良品サンプルだけを徹底的に見せることで、「あれ、これちょっとおかしいな」という感覚を育てる——良品学習はまさにその考え方です。

この手法の最大の強みは、「まだ見たことのない不良」にも対応できるという点です。従来の不良品学習では、学習していない種類の不良は見落とす危険がありました。良品学習なら、学習した正常状態から外れていれば、それがどんな種類の不良であっても検出できます。

ここからは、HIIIが実際に取り組んだ外観異常検知AIの構築プロジェクトをご紹介します。

プロジェクトの背景

あるクライアントの製造ラインでは、外観検査を経験豊富な検査員が担っていました。しかし現場は、目視疲労による見逃し、作業者ごとの判定基準のばらつき、そして良品と微小欠陥の判別の難しさという3つの課題を抱えていました。

「良品画像は大量にある。でも不良のサンプルは少ないし、パターンも散発的で網羅できない」——これが、多くの製造現場に共通する実情です。すべての不良を事前に「これは不良です」と分類・記録したデータ（ラベル付きデータ）として収集することは現実的ではなく、だからこそ良品学習ベースのアプローチを選択しました。

技術的なアプローチ

HIIIが構築したシステムの大きな流れは次のとおりです。

まず、ラインカメラ・エリアカメラから良品画像を大量に収集します。このとき、照明条件や露光条件を標準化し、位置ずれ・回転・スケール差を補正する前処理を丁寧に行います。「良いデータを入れれば、良いモデルが出る」——AIの精度は、この前処理の段階でほぼ決まります。

次に、良品画像のみを使ってモデルを学習させます。HIIIでは主に**Autoencoder（オートエンコーダー）**と呼ばれる手法を活用しています。仕組みを簡単に説明すると、AIに「良品画像を一度圧縮して、また元に戻す」という練習を繰り返させます。良品画像を大量に練習した後、実際の製品画像を入力すると、「元に戻せた部分＝正常」「うまく戻せなかった部分＝異常」として検出できるようになります。

そして検査結果の出力では、単純に「OK/NG」を出すだけでなく、「画像のどこが異常なのか」をヒートマップで可視化します。ヒートマップとは、異常度の高い箇所を赤や黄色で色分けして示した画像のことです。これにより、検査員が「なぜNGと判定されたのか」を直感的に理解でき、AIへの信頼感と現場での受容性が大きく高まります。

段階的に導入することの重要性

HIIIがこのプロジェクトで特にこだわったのは、いきなりAIに全判断を委ねるのではなく、段階的に信頼を積み上げていくという進め方です。

最初のフェーズは既存の目視検査との併用です。AIと人間がそれぞれ判定し、結果を比較することで、AIの精度を現場が実感を持って確認できます。次のフェーズで徐々にAIの判定比率を高め、最終的には人間がAIのNG判定のみを確認する形に移行していきます。

また、製造ラインの環境は常に変化します。カメラの位置が微妙にずれたり、照明が劣化したり、製品の型が変わったりするたびに、モデルを再学習・微調整するフローを整備することも重要です。HIIIでは、こうした「モデルを育て続ける仕組み」まで含めてサポートしています。

① 検査の品質が安定する

AIは24時間365日、疲れません。朝一番と深夜2時で判定精度が変わることもなく、検査員によって基準がバラバラになる問題も解消されます。長年ベテランの「感覚」に依存していた判断基準が、再現性の高いロジックに置き換わります。

② 人手不足への対応

外観検査は単純作業に見えますが、実は高い集中力と熟練の目が必要な工程です。AIがこの工程を担うことで、検査員は最終確認や異常への対応といった、より判断が求められる業務に集中できるようになります。

③ ライン速度が上がる

「検査がボトルネックになっている」という課題が解消され、生産ライン全体のスループットが改善します。人間が一個ずつ確認していた検査が、カメラとAIによって高速連続処理できるようになります。

④ 品質データが蓄積され、上流改善につながる

「いつ、どの製品に、どんな不良が出たか」がデジタルデータとして残ります。これは単なる検査の自動化にとどまりません。蓄積された異常スコアやNG画像のデータは、設計・加工条件・設備メンテナンスといった上流工程の改善にも活用でき、製造プロセス全体の品質向上サイクルの起点になります。

外観検査AIの話をすると、よくいただくのが「うちは製品の種類が多すぎて」「曖昧な不良の判断が多くて」「不良品の画像が集まらなくて」というご相談です。

製品の種類が多い場合は、品種別にAIモデルを切り替える仕組みで対応できます。判断が難しいグレーゾーンの不良は、AIと人間のダブルチェック体制を組むことで精度を担保できます。不良品が集まらないという問題は、ここまでご説明してきた良品学習で解決できます。

「AIを入れたら現場が混乱しそう」という不安もよく聞きます。導入のポイントはいきなり全ラインに展開しないことです。まず1つのラインで小さく試して効果を確認し、段階的に広げていく——このアプローチが、製造現場へのAI導入を成功させる鉄則です。HIIIでは、このPoC（小規模検証）から本番展開まで一貫してサポートしています。

外観検査AIは「最新技術だから導入する」ものではありません。現場の課題を解決するための手段です。

「目視検査の見落としを減らしたい」「熟練工の技術を継承したい」「ライン速度を上げたい」——そうした具体的な課題がある現場にこそ、AIは本来の力を発揮します。

HIIIは、AIモデルの構築だけでなく、「現場でちゃんと動く仕組み」を一緒につくることにこだわっています。まずは現状の課題を整理するところから、お気軽にご相談ください。

製造業へのAI導入支援に関するご相談・資料請求はこちらからどうぞ。